基于核向量空间模型的专利分类

华南理工大学学报（自然科学版） ›› 2005, Vol. 33 ›› Issue (8): 58-61.

基于核向量空间模型的专利分类

丁月华文贵华郭炜强

华南理工大学计算机应用工程研究所，广东广州 510640

收稿日期:2004-10-19 出版日期:2005-08-25 发布日期:2005-08-25
通信作者: 丁月华(1950-)，男，高工，主要从事人工智能研究 E-mail:crwqguo@scut.edu.cn
作者简介:丁月华(1950-)，男，高工，主要从事人工智能研究
基金资助:
国家自然科学基金资助项目(60003019)和华南理工大学高水平大学建设项目(159-D65010)

Patent Categorization Based on Kernel Vector Space Model

Ding Yue-hua Wen Gui-hua Guo Wei-qiang

Research Institute of Computer Applications,South China Univ.of Tech.,Guangzhou 510640,Guangdong,China

Received:2004-10-19 Online:2005-08-25 Published:2005-08-25
Contact: 丁月华(1950-)，男，高工，主要从事人工智能研究 E-mail:crwqguo@scut.edu.cn
About author:丁月华(1950-)，男，高工，主要从事人工智能研究
Supported by:
国家自然科学基金资助项目(60003019)和华南理工大学高水平大学建设项目(159-D65010)

摘要/Abstract

摘要： 提出了一种利用核函数改进向量空间的新模型：核向量空间模型，该模型利用Mercer核。把输入空间的样本映射到高维特征空间，在高维特征空间中按向量空间模型操作。然后用核向量空间模型实现专利分类．理论分析及在专利分类中的实验表明，所提出的模型比经典向量空间模型有更高的正确分类率，

关键词: 文本分类, 向量空间模型, 核函数

Abstract:

A novel model,namely,kernel vector space model,is established by using the kernel function to im-prove the vector space.In this model,the Mercer kernel is used to map the data in the original space to a high-di-mensional feature space in which data can be identified as in the vector space. The proposed model is then applied to the patent categorization,with the theoretical and experimental results indicating its greater correctness than the traditional vector space model.

Key words: text categorization, vector space model, kernel function

丁月华文贵华郭炜强. 基于核向量空间模型的专利分类[J]. 华南理工大学学报（自然科学版）, 2005, 33(8): 58-61.

Ding Yue-hua Wen Gui-hua Guo Wei-qiang. Patent Categorization Based on Kernel Vector Space Model[J]. Journal of South China University of Technology (Natural Science Edition), 2005, 33(8): 58-61.

[1]	杨圣豪, 吴玥悦, 毛佳昕, 等. 基于半监督学习的涉及未成年人案件文书识别方法[J]. 华南理工大学学报(自然科学版), 2021, 49(1): 29-38,46.
[2]	许玉格刘莉罗飞. 基于自优化的多属性高斯核函数相关向量机方法[J]. 华南理工大学学报（自然科学版）, 2017, 45(1): 88-94.
[3]	刘晓峰张雪英 Zizhong John Wang. Logistic 核函数及其在语音识别中的应用[J]. 华南理工大学学报（自然科学版）, 2015, 43(5): 100-106.
[4]	覃姜维郑启伦马千里韦佳林古立. 多步桥接精化迁移学习[J]. 华南理工大学学报（自然科学版）, 2011, 39(5): 108-114.
[5]	蔡前凤郝志峰杨晓伟. 基于最小二乘支持向量机的TSK模糊模型[J]. 华南理工大学学报（自然科学版）, 2009, 37(5): 130-134.